作者:冯向博
微信:supermvn
介绍:推荐系统学习整理
目录
一. 基于物品的协同过滤
二. 物品相似度计算与实现
三. ICF 的推荐实现
四. 总结一下
五. 练习
一. 基于物品的协同过滤
基于物品的协同过滤,是将用户 A
的 item
物品最相近(关联)的物品集合 items
推荐给用户 A
。
给用户 A
推荐之前喜欢过的物品 item
最相近的物品 items
。
item
与 items
列表里的物品相近(相似)程度,可以从用户以往的打分(购买、点击、收藏)等的物品统计数据来计算。
例如:
image
左上数据是用户以往的购买物品数据
右上是单个物品所有用户购买的统计数据矩阵
下左是统计user_1中物品之间购买关系统计数据矩阵
下中是user_1+user_2中物品之间购买关系统计数据矩阵
下右是user_1+user_2+user_3中物品之间购买关系统计数据矩阵
最终我们会有①
一个单个物品的所有用户购买的统计记录和②
一个所有用户的物品之间购买关系的统计数据矩阵。
我们可以用这两个矩阵计算出物品相似度矩阵。
步骤如下:
1.输入 user-item-rating
数据矩阵
2.计算 item-item
相似度矩阵
3.根据相似度求评分
二. 一物品相似度计算与实现
计算两个物品的相似度,我们将所以用户的购买数据进行统计计算,计算两个物品的相似度。
我们会构建一个如下图的数据出来
与
相似度我们可以通过统计相同的 items1
个数与他们购买的 items
个数的平均值的比值来表示。
具体的代码实现如下
def item_sim(d):
'''
:param data: {user_id:{item_id:rating}}
:return: {item_id:{item_id:sim_rating}} 物品相似度矩阵
'''
item_item_same_cnt = dict()
item_user_cnt = dict()
for u, items in d.items():
for i in items:
if item_user_cnt.get(i, -1) == -1:
item_user_cnt[i] = 0
item_user_cnt[i] += 1
if item_item_same_cnt.get(i, -1) == -1:
item_item_same_cnt[i] = dict()
for j in items:
if i == j:
continue
elif item_item_same_cnt[i].get(j, -1) == -1:
item_item_same_cnt[i][j] = 0
item_item_same_cnt[i][j] += 1
W = dict()
for i, related_items in item_item_same_cnt.items():
if W.get(i, -1) == -1:
W[i] = dict()
for j, cij in related_items.items():
if W[i].get(j, -1) == -1:
W[i][j] = 0
W[i][j] += 2 * cij / ((item_user_cnt[i] + item_user_cnt[j]) * 1.0)
return W
三. ICF 的推荐实现
这一步主要根据相似度求评分进行推荐
def recommend(user, d, item_item_sim, k):
'''
:param user: 用户id
:param d: user-item-rating 矩阵
:param item_item_sim: 物品相似度矩阵
:param k: 推荐个数
:return: icf推荐列表
'''
rank = dict()
Ru = d[user]
for i, rating in Ru.items():
for j, sim in sorted(item_item_sim[i].items(), key=operator.itemgetter(1), reverse=True)[0:k]:
if j in Ru:
continue
elif rank.get(j, -1) == -1:
rank[j] = 0
rank[j] += sim * rating
return rank
四. 总结一下
- ICF的数据处理步骤
- 物品相似度矩阵计算实现算法
- 使用物品相似度进行评分推荐的算法实现
- ICF算法和UCF算法有相同的地方,可以对比一下
五. 练习
- 了解ICF推荐的总体步骤、总体框架,建立总体的概念和流程。
- 物品相似度矩阵算法实现部分,需要掌握基本算法。
- 掌握ICF的相似用户评分推荐实现,需要掌握练习。
微信公众号
网友评论